Sign In

FedOnco-Bench: A Reproducible Benchmark for Privacy-Aware Federated Tumor Segmentation with Synthetic CT Data

Created by
  • Haebom
Category
Empty

저자

Viswa Chaitanya Marella, Suhasnadh Reddy Veluru, Sai Teja Erukude

개요

본 논문은 여러 기관이 민감한 데이터를 소스에 보존하면서 협력하여 기계 학습 모델을 훈련할 수 있게 해주는 연합 학습(FL)의 취약점을 해결하고자 합니다. 특히, 멤버십 추론 공격 및 데이터 이질성에 초점을 맞추어, 합성 종양학 CT 스캔과 종양 주석을 사용하여 개인 정보 보호를 고려한 FL에 대한 재현 가능한 벤치마크인 FedOnco-Bench를 제시합니다. FedAvg, FedProx, FedBN, 그리고 DP-SGD를 사용한 FedAvg를 포함한 여러 FL 방법론을 평가하여 분할 성능과 개인 정보 유출을 측정했습니다.

시사점, 한계점

•
시사점:
◦
FedOnco-Bench는 의료 영상 분할을 위한 개인 정보 보호 FL 방법론을 벤치마킹하고 개발하기 위한 표준화된 오픈 소스 플랫폼을 제공합니다.
◦
개인 정보 보호와 유용성 간의 명확한 trade-off를 보여줍니다. FedAvg는 높은 성능을 보이지만 개인 정보 유출 위험이 높고, DP-SGD는 개인 정보 보호 수준을 높이지만 정확도를 희생합니다. FedProx와 FedBN은 특히 이질적인 데이터 환경에서 균형 잡힌 성능을 제공합니다.
•
한계점:
◦
논문 자체에서 구체적인 한계점이 언급되지 않았습니다. 벤치마크에 사용된 데이터가 합성 데이터라는 점이 실제 의료 데이터의 복잡성을 완전히 반영하지 못할 수 있습니다.
👍
Made with Slashpage